XiaoMi-AI文件搜索系统
World File Search System多径
使用多径路由的量子网络中多用户纠缠分布
摘要 量子网络通过执行纠缠分布促进了许多应用，包括安全通信和分布式量子计算。对于某些多用户量子应用程序，需要访问共享的多部分状态。我们考虑设计以更快的速率分发此类状态的协议的问题。为此，我们提出了三种利用多路径路由来提高多用户应用程序分发速率的协议。这些协议在具有 NISQ 约束的量子网络上进行评估，包括有限的量子存储器和概率纠缠生成。模拟结果表明，与单路径路由技术相比，开发的协议实现了多部分状态分发速率的指数级增长，在研究的案例中最大增长了四个数量级。此外，对于较大的用户集，分发速率的相对增加也被发现有所改善。当在缩小的真实世界拓扑中测试协议时，发现拓扑对协议实现的多部分状态分发速率有显著影响。最后，我们发现多路径路由的好处在较短的量子存储器退相干时间和中间的纠缠生成概率值时最大。因此，所开发的协议可以有益于 NISQ 量子网络控制和设计。
量子网络中多部分状态分布的多径路由
许多量子应用都利用共享的多部分状态，例如分布式量子计算[1]。，由于难以纠缠遥远的Qubits和短暂的记忆分解时间，因此在网络上分发纠缠是具有挑战性的[2]。以前关于两个用户之间纠缠分布的工作表明，多路由路由通过利用更多网络能力来提高长距离纠缠率（ER）[3]。在本文中，我们首次提出了多部分状态分布的多路径路由。结果 - 与单个路径路由相比，针对不同的双分部分，量子存储器分解时间和网络尺寸获得的网络大小 - 表明多径路由指数增加了网格拓扑上的多部分分布率。单个路径上的多径路由的改进最高，模拟的6000×ER加速度为低纠缠的成功概率和短的分解时间。结果还表明，通过尝试在多个时间步中尝试纠缠而改进的协议，这在先前的工作中未实现。
用于剩余有用寿命估计（NMPM）的嘈杂多径平行混合模型
最近，对不同深度神经网络（DNNS）架构的平行杂交模型的持续发展，越来越多的兴趣激增，以保持有用寿命（RUL）估计。在这方面，本文在文献中的第一次介绍了一种新的基于Hybrid DNN的框架，用于RUL估算，称为嘈杂的多径平行混合模型，用于剩余有用的寿命估计（NMPM）。提议的NMPM框架是三个平行路径的编写，第一个使用了一个嘈杂的双向长短术语记忆（BLSTM），用于提取时间特征并学习在两个方向，正向和后门中学习序列数据的依赖。第二个平行路径采用嘈杂的多层感知器（MLP），由三层组成以提取不同特征类别的层。第三个平行路径利用嘈杂的卷积神经网络（CNN）来提取特征的组成类。然后将三个平行路径的串联输出送入嘈杂的融合中心（NFC）以预测RLU。提出的NMPM已根据嘈杂的训练机制进行了培训，以增强其泛化行为，并增强模型的整体准确性和鲁棒性。使用NASA提供的CMAPS数据集对NMPM框架进行了测试和评估，该数据集说明了卓越的性能与最先进的对应物相比。